.
O principal ponto crucial da neurociência é aprender como nossos sentidos traduzem a luz em visão, o som em audição, a comida em sabor e a textura em tato. É no cheiro que essas relações sensoriais se tornam mais complexas e desconcertantes.
Para responder a esta questão, uma equipe de pesquisa co-liderada pelo Monell Chemical Senses Center e pela start-up Osmo, uma empresa sediada em Cambridge, Massachusetts, resultou de pesquisas de aprendizado de máquina feitas no Google Research, Google DeepMind (anteriormente conhecido como Google Brain ), estão investigando como os produtos químicos transportados pelo ar se conectam à percepção de odores no cérebro. Para este fim, descobriram que um modelo de aprendizagem automática alcançou a proficiência de nível humano na descrição, em palavras, do cheiro dos produtos químicos. A pesquisa deles aparece na edição de 1º de setembro da Science.
“O modelo aborda lacunas antigas na compreensão científica do sentido do olfato”, disse o coautor sênior Joel Mainland, PhD, membro do Monell Center. Esta colaboração aproxima o mundo da digitalização de odores para serem registados e reproduzidos. Também poderá identificar novos odores para a indústria de fragrâncias e aromas que poderiam não apenas diminuir a dependência de plantas ameaçadas de origem natural, mas também identificar novos aromas funcionais para usos como repelentes de mosquitos ou mascaramento de maus odores.
“Como nossos cérebros e narizes funcionam juntos” Os humanos têm cerca de 400 receptores olfativos funcionais. Estas são proteínas nas extremidades dos nervos olfativos que se conectam com moléculas transportadas pelo ar para transmitir um sinal elétrico ao bulbo olfatório. O número de receptores olfativos é muito maior do que usamos para a visão das cores – quatro – ou mesmo para o paladar – cerca de 40.
“Na pesquisa do olfato, no entanto, a questão de quais propriedades físicas fazem uma molécula transportada pelo ar cheirar da mesma forma que cheira ao cérebro permanece um enigma”, disse Mainland. “Mas se um computador puder discernir a relação entre a forma como as moléculas são moldadas e como percebemos os seus odores, os cientistas poderão usar esse conhecimento para avançar na compreensão de como os nossos cérebros e narizes funcionam juntos.”
Para resolver isso, o CEO da Osmo, Alex Wiltschko, PhD, e sua equipe criaram um modelo que aprendeu como combinar as descrições em prosa do odor de uma molécula com a estrutura molecular do odor. O mapa resultante dessas interações consiste essencialmente em agrupamentos de odores com cheiros semelhantes, como doce floral e doce doce. “Os computadores conseguiram digitalizar a visão e a audição, mas não o olfato – o nosso sentido mais profundo e antigo”, disse Wiltschko. “Este estudo propõe e valida um novo mapa do olfato humano baseado em dados, combinando a estrutura química com a percepção do odor.”
Qual é o cheiro do alho ou do ozônio?
O modelo foi treinado usando um conjunto de dados da indústria que incluía as estruturas moleculares e qualidades de odor de 5.000 odorantes conhecidos. A entrada de dados é a forma de uma molécula e a saída é uma previsão de quais palavras de odor melhor descrevem seu cheiro.
Para verificar a eficácia do modelo, os pesquisadores da Monell conduziram um procedimento de validação cega no qual um painel de participantes treinados na pesquisa descreveu novas moléculas e depois comparou suas respostas com a descrição do modelo. Cada um dos 15 participantes recebeu 400 odorantes e foi treinado para usar um conjunto de 55 palavras – de menta a mofado – para descrever cada molécula.
“Nossa confiança neste modelo só pode ser tão boa quanto a nossa confiança nos dados que usamos para testá-lo”, disse a coautora Emily Mayhew, PhD, que conduziu esta pesquisa enquanto era bolsista de pós-doutorado da Monell. Ela agora é professora assistente na Michigan State University. Brian K. Lee, PhD, Google Research, Brain Team, Cambridge, Massachusetts, também é co-autor.
A equipe Monell forneceu aos painelistas kits de referência de odores projetados em laboratório para ensiná-los a reconhecer os cheiros e selecionar as palavras mais apropriadas para descrever sua percepção. Para evitar armadilhas de estudos anteriores, como a fusão de “mofo”, como um porão úmido, e “almiscarado”, como um perfume, sessões de treinamento e kits de referência de odores projetados em laboratório ensinaram a cada painelista a qualidade do odor associada a cada termo descritivo.
Os painelistas foram convidados a selecionar quais dos 55 descritores se aplicavam e a avaliar até que ponto o termo melhor se aplicava ao odor numa escala de 1 a 5 para cada um dos 400 odores. Por exemplo, um painelista classificou o cheiro do odorante anteriormente não caracterizado 2,3-dihidrobenzofuran-5-carboxaldeído como muito pulverulento (5) e um tanto doce (3).
O controle de qualidade também é importante na comparação final dos farejadores humanos com o modelo computacional. É aí que entra a coautora Jane Parker, PhD, professora de química de sabores, Universidade de Reading, Reino Unido. “Trabalhei com olfato por muitos anos, confiando principalmente em meu próprio nariz para descrever aromas.”Sua equipe verificou a pureza de amostras usadas para testar a previsão do modelo. Primeiro, a cromatografia gasosa permitiu separar cada composto de uma amostra, incluindo quaisquer impurezas. Em seguida, Parker e sua equipe cheiraram cada composto separado para determinar se alguma impureza estava suprimindo o odor conhecido da molécula alvo.
“Encontramos algumas amostras com impurezas significativas, entre as 50 testadas”, disse Parker. Num caso, a impureza era proveniente de vestígios de um reagente utilizado na síntese da molécula alvo e deu à amostra um cheiro amanteigado distinto que superou o odor de interesse. “Neste caso, conseguimos explicar por que o painel descreveu o cheiro de forma diferente da previsão da IA.”
Melhor que um humano?
Ao comparar o desempenho do modelo com o dos painelistas individuais, o modelo alcançou melhores previsões da média das classificações de odor do grupo do que qualquer membro do painel no estudo, excluindo as impurezas. Especificamente, o modelo teve um desempenho melhor do que o painelista médio para 53% das moléculas testadas.
“O resultado mais surpreendente, no entanto, é que o modelo teve sucesso em tarefas olfativas para as quais não foi treinado”, disse Mainland. “A surpresa foi que nunca o treinamos para aprender a intensidade do odor, mas mesmo assim ele poderia fazer previsões precisas.”
O modelo foi capaz de identificar dezenas de pares de moléculas estruturalmente diferentes que tinham cheiros semelhantes contra a intuição e caracterizar uma ampla variedade de propriedades de odor, como a intensidade do odor, para 500.000 moléculas de cheiro potenciais. “Esperamos que este mapa seja útil para pesquisadores em química, neurociência olfativa e psicofísica como uma nova ferramenta para investigar a natureza da sensação olfativa”, disse Mainland.
Qual é o próximo? A equipe supõe que o mapa do modelo pode ser organizado com base no metabolismo, o que seria uma mudança fundamental na forma como os cientistas pensam sobre os odores. Em outras palavras, odores próximos uns dos outros no mapa, ou perceptualmente semelhantes, também têm maior probabilidade de estar relacionados metabolicamente. Os cientistas sensoriais organizam atualmente as moléculas da mesma forma que um químico faria, por exemplo, perguntando se elas têm um éster ou um anel aromático?
“Nossos cérebros não organizam os odores desta forma”, disse Mainland. “Em vez disso, este mapa sugere que o nosso cérebro pode organizar os odores de acordo com os nutrientes dos quais eles derivam”.
.
